Как работают модели Visual-Language-Action (VLA)

Статья посвящена техническому разбору архитектуры моделей Visual-Language-Action (VLA), используемых в робототехнике. Автор детально описывает методы декодирования действий — от токенизированных авторегрессивных политик до диффузионных и flow-matching подходов. Материал актуален для разработчиков, изучающих внедрение трансформеров в задачи управления реальными агентами.